Transferability in Chemical Machine Learning

Machine learning (ML) methods are able to predict chemical or physical properties very accurately and at a fraction of the cost of quantum mechanical methods. However, large training data sets are only rarely available in computational chemistry, as the reference calculations are computationally expensive. This thesis therefore investigates the transferability of ML models in different extrapolative regimes using three examples.
Die Vorhersagen für chemische oder physikalische Eigenschaften, die mit maschinell erlernten (ML) Modellen gemacht werden können, stellen eine kostengünstige und meist hinreichend genaue Alternative zu quantenmechanischen Rechnungen dar. Jedoch sind große Trainingsdatensätze in der theoretischen Chemie selten vorhanden, da die Referenzrechnungen teuer sind. Diese Thesis untersucht daher anhand von drei Beispielen die Transferierbarkeit von ML Modellen in unterschiedlichen extrapolativen Regimes.